|
|
Klasifikace spánkových fázi za použití polysomnografických dat
Králík, Martin ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Cílem této diplomové práce je klasifikace spánkových fází za použití polysomnografických dat. Součástí práce je rešerše na dané téma a statistická analýza parametrů vypočtených ze skutečných signálů EEG, EOG a EMG, která hodnotí vhodnost jejich použití pro klasifikaci spánkových fází. Praktická část je zaměřena na automatickou klasifikaci spánkových fází za použití umělých neuronových sítí. Všechny výsledky jsou v práci prezentovány a diskutovány.
|
|
|
Posuzování spánkových stádií ze signálů HRV
Schlorová, Hana ; Kubičková, Alena (oponent) ; Kozumplík, Jiří (vedoucí práce)
Nejužívanější metodou pro skórování spánkových stadií je hodnocení dle EEG. Tato práce využívá naopak EKG jako signálu srovnatelného k hodnocení spánku. Shrnuje metody prezentace a hodnocení variability srdečního rytmu (HRV) a popisuje celý algoritmus výpočtu a prezentace tohoto signálu pomocí Poincarého map. Práce se také zaměřuje na hodnocení Poincarého map a parametrů vyčíslujících proměnlivost a variabilitu vzorků v mapách. Z průběhů parametrů se snaží vyvodit závěry k posouzení spánkových stadií.
|
|
|
Analýza polysomnografických dat
Jagošová, Petra ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá analýzou polysomnografických signálů, která je založena na analýze parametrů v časové a frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EOG a EMG signálů snímaných v průběhu různých spánkových fází. Pomocí vizuální analýzy krabicových grafů, statistické analýzy a následného post-hoc testu jsou vybrány parametry, které jsou vhodné pro následnou detekci spánkových fází. Vybranými parametry v časové oblasti byly pro EOG signály: mobilita, koeficient šikmosti a špičatosti. Pro EEG signály se jednalo o tyto parametry: aktivita, 75. percentil, koeficient špičatosti a mobilita. U EMG signálu to byly 75. percentil a složitost. Z frekvenční oblasti se jednalo o relativní výkonové spektrum frekvenčních pásem alfa, delta a beta.
|
|
|
Sleep scoring using artificial neural networks
Vašíčková, Zuzana ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
The main objective of the thesis is to create an artificial neural network for sleep-staging. Firstly, information about sleep and sleep stages is summarized. However, more profound overview of signal processing methods and methods of classification is found in next chapters. After summarizing the theoretical knowledge necessary to carry out practical part of thesis, signal features were extracted according to the theoretical proposal and using statistical analysis, convenient features were used as in input for artificial neural network, able to classify the sleep data into sleep stages after the learning stage.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Vávrová, Eva ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá analýzou polysomnografických záznamů, která je založená na výpočtu vybraných parametrů v časové, frekvenční a časově-frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází, která je zrealizována pomocí umělé neuronové sítě, k-NN klasifikátoru a lineární diskriminační analýzy. V rámci této práce byl vytvořen program s grafickým uživatelským rozhraním v prostředí MATLAB.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Kříženecká, Tereza ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá automatickou klasifikací polysomnografických záznamů, která je založená na analýze parametrů v časové a frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází. Klasifikace je poté provedena pomocí metody SVM a zhodnocení úspěšnosti klasifikace je provedeno pomocí senzitivity, specificity a procentuální úspěšnosti. Práce byla provedena v programovém prostředí MATLAB.
|
|
|
Klasifikace spánkových stádií
Nováková, Kateřina ; Ronzhina, Marina (oponent) ; Potočňák, Tomáš (vedoucí práce)
Předložená práce se zabývá základním popisem polysomnografického měření, morfologií spánku a jeho stádii. Dále jsou zde uvedeny vybrané metody zpracování elektroencefalografických signálů. Techniky zpracování jsou zejména zaměřeny na klasifikaci spánkových stádií. Praktická část práce se zabývá realizací tří metod klasifikace s využitím umělých neuronových sítí a ověřením funkčnosti těchto metod. Všechny algoritmy jsou zpracovány v prostředí programu Matlab. Příznakové vektory jsou získány pomocí výpočtu energií, Welchovy spektrální analýzy a Hilbert-Huangovy transformace. Pro klasifikaci jsou zde využity tři typy umělých neuronových sítí - rekurentní neuronová síť, dopředná síť a síť pro klasifikaci vzorů. Na základě příznakových vektorů je spánek klasifikován do stádií bdělost (W), spánek bez výskytu rychlých očních pohybů (NREM) a spánek s výskytem rychlých očních pohybů (REM).
|
|
|
Metody detekce spánkových vřeten ze záznamů EEG
Matoušek, Šimon ; Mézl, Martin (oponent) ; Králík, Martin (vedoucí práce)
Tato bakalářská práce se zaměřuje na detekci spánkových vřeten v signálech EEG. V úvodní kapitole se zabývá signálem EEG, popisuje jeho jednotlivé součásti a přibližuje proces zaznamenávání signálu. Vysvětluje pojem spánkové vřeteno a objasňuje polysomnografii. V následující kapitole jsou formou rešerše shrnuty některé poznatky týkající se studií, jež zkoumaly a prakticky využívaly jednotlivé metody detekce spánkových vřeten. Kapitola praktické části práce je zaměřena na realizaci detektorů spánkových vřeten. Jsou aplikovány 3 různé varianty detekce, první detektor je založen na výpočtu hodnoty Teager - Kaiserova operátoru, druhý detektor užívá vlnkovou transformaci, třetí detektor je založen na principu nalezení obálky signálu. V závěru práce je porovnána úspěšnost těchto detektorů ve srovnání s jinými, dříve prováděnými studiemi. Nejvyšší úspěšnosti bylo dosaženo u detektoru založeném na výpočtu obálky signálu, kde senzitivita dosahovala 56,00 % a specificita 55,19 % a také u detektoru využívajícím vlnkové transformace, kde senzitivita činila 81,22 % a specificita 46,15 %.
|
|
| |
|
|
Klasifikace spánkových fází
Lacinová, Michaela ; Smital, Lukáš (oponent) ; Králík, Martin (vedoucí práce)
Tato bakalářská práce se zabývá v první části rozborem polysomnografie a způsoby jejího měření při elektroencefalografii, elektrookulografii a elektromyografii. Součástí rozboru jsou fáze spánku dle doporučení AASM. Polysomnografická data jsou dále analyzována v časových a frekvenčních oblastech, které jsou jednotlivě vyhodnoceny. Ve druhé části jsou data klasifikována do jednotlivých tříd pomocí rozhodovacích stromů a metody k-nejbližších sousedů v programovém prostředí MATLAB. Následně jsou tato data zhodnocena a srovnána s dostupnou literaturou.
|
host ::
RSS.